摘要 | 第5-7页 |
ABSTRACT | 第7-8页 |
符号对照表 | 第12-13页 |
缩略语对照表 | 第13-17页 |
第一章 绪论 | 第17-23页 |
1.1 课题背景及研究意义 | 第17-18页 |
1.2 国内外研究现状 | 第18-20页 |
1.3 图像重建算法的评价标准 | 第20-22页 |
1.3.1 仿真数据重建图像的评价参数 | 第20-21页 |
1.3.2 仿体及临床数据重建图像的评价参数 | 第21页 |
1.3.3 双能CT分解图像的评价参数 | 第21-22页 |
1.4 研究内容及论文结构安排 | 第22-23页 |
第二章 CT图像重建的理论基础 | 第23-29页 |
2.1 CT图像重建的本质 | 第23页 |
2.2 CT图像重建的基本原理 | 第23-27页 |
2.2.1 投影数据的本质 | 第23-25页 |
2.2.2 直接反投影及滤波反投影算法 | 第25-27页 |
2.3 小结 | 第27-29页 |
第三章 自适应联合代数重建算法研究 | 第29-47页 |
3.1 迭代重建算法的理论基础 | 第29-31页 |
3.1.1 迭代重建算法的基本原理 | 第29-30页 |
3.1.2 投影矩阵的计算 | 第30-31页 |
3.2 ART算法及SART算法的理论基础 | 第31-46页 |
3.2.1 代数重建(ART)算法 | 第31页 |
3.2.2 联合代数重建(SART)算法 | 第31-32页 |
3.2.3 自适应的联合代数重建算法的理论推导及实验研究 | 第32页 |
3.2.4 自适应的联合代数重建算法的理论基础 | 第32-37页 |
3.2.5 基于Shepp-Logan头模型的算法研究 | 第37-41页 |
3.2.6 基于拟人化头仿体的算法研究 | 第41-43页 |
3.2.7 基于临床数据的算法研究 | 第43-46页 |
3.3 小结 | 第46-47页 |
第四章 基于压缩感知的CT图像重建算法研究 | 第47-65页 |
4.1 压缩感知的理论基础 | 第47-49页 |
4.1.1 信号的稀疏表达 | 第47页 |
4.1.2 测量矩阵的设计 | 第47-49页 |
4.1.3 信号的恢复算法设计 | 第49页 |
4.2 压缩感知在CT图像重建中的应用 | 第49-51页 |
4.2.1 CT图像的稀疏表示 | 第49-50页 |
4.2.2 CT图像的稀疏重建 | 第50-51页 |
4.3 经典压缩感知重建算法 | 第51-52页 |
4.3.1 SART- TV算法 | 第51页 |
4.3.2 Split-Bregman算法 | 第51-52页 |
4.4 自适应的SART-TV算法的理论推导及实验研究 | 第52-63页 |
4.4.1 自适应的SART-TV算法的理论基础 | 第52-55页 |
4.4.2 基于Shepp-Logan头模型的算法研究 | 第55-59页 |
4.4.3 基于拟人化头仿体的算法研究 | 第59-61页 |
4.4.4 基于临床数据的算法研究 | 第61-63页 |
4.5 小结 | 第63-65页 |
第五章 双能CT的迭代分解算法研究 | 第65-83页 |
5.1 双能CT的理论基础 | 第65-66页 |
5.2 衰减系数模型 | 第66-68页 |
5.2.1 光电效应和康普顿散射效应模型 | 第66-67页 |
5.2.2 基材料分解模型 | 第67-68页 |
5.3 双能CT投影 | 第68页 |
5.4 基于仿真模型的三种双能分解算法研究 | 第68-77页 |
5.4.1 双能分解模型及高低能能谱模型 | 第68-71页 |
5.4.2 投影匹配算法及其分解结果分析 | 第71-73页 |
5.4.3 ρZ投影算法及其分解结果分析 | 第73-75页 |
5.4.4 迭代分解算法及其分解结果分析 | 第75-76页 |
5.4.5 三种双能分解算法的性能对比 | 第76-77页 |
5.5 基于实际投影数据的双能CT迭代分解算法研究 | 第77-81页 |
5.5.1 基于线对模型的双能CT迭代分解算法研究 | 第79-80页 |
5.5.2 基于拟人化头模型的双能CT迭代分解算法研究 | 第80-81页 |
5.6 小结 | 第81-83页 |
第六章 总结及展望 | 第83-87页 |
6.1 总结 | 第83-84页 |
6.2 展望 | 第84-87页 |
参考文献 | 第87-95页 |
致谢 | 第95-97页 |
作者简介 | 第97-98页 |